This thesis investigates the application of various optimization algorithms to address the complex problem of multi-objective supply chain network design, with a focus on minimizing costs and CO2 emissions while ensuring computational efficiency. Given the critical role of supply chains in global commerce, optimizing network design can result in significant cost savings and reduced environmental impact. However, the challenge lies in managing the complex interplay of numerous variables and identifying algorithms that can scale effectively while providing near-optimal solutions. The research evaluates the performance of five optimization algorithms: Multiobjective Direct Search, Weighted Sum (Simplex), Simulated Annealing, NSGA-II, and the Epsilon Constraint Method. These algorithms were tested on two datasets of different scales—small and medium—to assess their effectiveness in minimizing both costs and CO2 emissions. The results indicate that while the Epsilon Constraint Method consistently offered the best balance between cost and emissions, its performance was particularly strong on smaller datasets. NSGA-II showed versatility across both dataset sizes, making it a robust choice for more complex optimization tasks. However, when compared to the Epsilon Constraint Method, NSGA-II demonstrated slightly higher costs and emissions, but its computational time increase was much less than Epsilon Constraint when the bigger dataset was employed. Scalability issues were evident in algorithms such as Direct Search and Simulated Annealing, which saw significant increases in computational time and suboptimal performance as dataset size grew. The findings provide valuable insights into the scalability, strengths, and limitations of each algorithm, offering practical guidance for selecting appropriate optimization techniques in various supply chain scenarios. The research highlights the need for algorithms that can maintain efficiency as problem size increases and suggests future work on developing hybrid approaches to leverage the strengths of multiple algorithms. The practical implications of this work include more efficient and sustainable supply chain operations, contributing to both economic benefits and environmental sustainability.

Denna avhandling undersöker tillämpningen av olika optimeringsalgoritmer för att hantera det komplexa problemet med multi-objektiv design av nätverk för försörjningskedjor, med fokus på att minimera kostnader och CO2-utsläpp samtidigt som beräkningseffektiviteten säkerställs. Med tanke på försörjningskedjornas kritiska roll i den globala handeln kan optimering av nätverksdesignen leda till betydande kostnadsbesparingar och minskad miljöpåverkan. Utmaningen ligger dock i att hantera det komplexa samspelet mellan många variabler och att identifiera algoritmer som kan skalas effektivt samtidigt som de ger nära optimala lösningar. Forskningen utvärderar prestandan hos fem optimeringsalgoritmer: Multiobjective Direct Search, Weighted Sum (Simplex), Simulated Annealing, NSGA-II och Epsilon Constraint Method. Algoritmerna testades på två dataset i olika skalor - små och medelstora - för att bedöma hur effektiva de är när det gäller att minimera både kostnader och CO2-utsläpp. Resultaten visar att Epsilon Constraint Method konsekvent erbjöd den bästa balansen mellan kostnader och utsläpp, men att dess prestanda var särskilt stark på mindre dataset. NSGA-II visade mångsidighet i båda datasetstorlekarna, vilket gör den till ett robust val för mer komplexa optimeringsuppgifter. Jämfört med Epsilon Constraint Method uppvisade NSGA-II dock något högre kostnader och utsläpp, men ökningen av beräkningstiden var mycket mindre än för Epsilon Constraint när det större datasetet användes. Skalbarhetsproblemen var uppenbara i algoritmer som Direct Search och Simulated Annealing, där beräkningstiden ökade betydligt och prestandan inte blev optimal när datasetet blev större. Resultaten ger värdefulla insikter om skalbarhet, styrkor och begränsningar för varje algoritm, vilket ger praktisk vägledning för att välja lämpliga optimeringstekniker i olika scenarier för leveranskedjor. Forskningen belyser behovet av algoritmer som kan bibehålla effektiviteten när problemstorleken ökar och föreslår framtida arbete med att utveckla hybridmetoder för att utnyttja styrkorna hos flera algoritmer. De praktiska konsekvenserna av detta arbete inkluderar effektivare och mer hållbara försörjningskedjor, vilket bidrar till både ekonomiska fördelar och miljömässig hållbarhet.